Mappa dell’intelligenza artificiale: che cos’è ciascuna cosa e come si incastra tutto
Intelligenza artificiale, apprendimento automatico, apprendimento profondo, modelli linguistici e agenti IA: come sono collegati, in una sola pagina. Parte introduttiva della serie Basi di IA.
Serie Basi di IA Parte 1 di 52
- Mappa dell’intelligenza artificiale: che cos’è ciascuna cosa e come si incastra tutto
- Breve storia dell’intelligenza artificiale: da Turing ai modelli linguistici
- Dati, modello, addestramento, inferenza: i concetti di base su un unico esempio
- Come leggere la notazione matematica: simboli, indici, sommatorie e quantificatori
- Insiemi e relazioni: i mattoncini con cui si costruiscono le definizioni nell’IA
- Funzioni e applicazioni: perché ogni modello di IA è una funzione
- Logica e dimostrazioni: le regole con cui si ragiona nell’IA
- Grafi e alberi: la struttura su cui poggiano la ricerca e le reti neurali
- Algebra lineare per l’apprendimento automatico: vettori, matrici e perché l’IA soprattutto moltiplica
- Derivate, gradiente e regola della catena: come un modello capisce in quale direzione imparare
- Discesa del gradiente: come impara un modello
- Che cos’è la probabilità: dal lancio di un dado agli assiomi di Kolmogorov
- Probabilità condizionata e teorema di Bayes: come cambiare una stima quando scopri qualcosa di nuovo
- Variabile aleatoria e funzione di ripartizione: una sola funzione che dice tutto sulla distribuzione
- Funzione di densità e funzione di massa: perché una variabile continua ha probabilità zero in un punto
- Valore atteso, varianza e covarianza: dove si trova una distribuzione, quanto è larga e che cosa è legato a che cosa
- Panoramica delle distribuzioni di probabilità: Bernoulli, binomiale, Poisson, uniforme, normale ed esponenziale
- Legge dei grandi numeri e teorema del limite centrale: perché le medie si comportano in modo così prevedibile
- Statistica e stima dei parametri: massima verosimiglianza, MAP e intervalli di confidenza
- Teoria dell’informazione: entropia, entropia incrociata e divergenza KL — da dove vengono le funzioni di perdita
- Ricerca nello spazio degli stati: BFS, DFS, UCS e A* con animazioni
- Giochi e avversari: minimax, potatura alfa-beta e Monte Carlo tree search
- Soddisfacimento di vincoli: backtracking, propagazione dei vincoli e AC-3 su un sudoku e una mappa delle regioni ceche
- Logica e sistemi basati sulla conoscenza: concatenazione in avanti e all’indietro, risoluzione e sistemi esperti
- Pianificazione: STRIPS, il mondo dei blocchi, euristiche dal rilassamento e pianificazione negli agenti IA
- Ricerca locale e ricottura simulata: un commesso viaggiatore tra i capoluoghi di regione cechi
- Algoritmi genetici: popolazione, incrocio, mutazione e selezione su uno zaino per l’escursione
- Strategie evolutive e programmazione genetica: dalla regola di un quinto alla legge di Keplero
- Ottimizzazione con colonie di formiche: come una traccia di feromone trova un percorso breve
- Ottimizzazione a sciame di particelle: inerzia, esperienza propria ed esperienza dello sciame
- Neuroevoluzione: evoluzione dei pesi e della forma delle reti neurali e l’algoritmo NEAT
- Insiemi fuzzy e funzioni di appartenenza: come scrivere «un po’ caldo»
- Logica fuzzy e probabilità: perché «un po’ caldo» non significa «probabilmente caldo»
- Logica fuzzy: t-norme, implicazioni e regole SE–ALLORA
- Controllo fuzzy: Mamdani e Sugeno, dal ventilatore al pendolo inverso su un carrello
- Clustering fuzzy: l’algoritmo fuzzy c-means e i punti tra i cluster
- Sistemi neuro-fuzzy (ANFIS): regole fuzzy che imparano dai dati
- Catene di Markov: matrice di transizione, distribuzione stazionaria e PageRank
- Modelli di Markov nascosti: l’algoritmo di Viterbi e il casinò disonesto
- Reti bayesiane: perché l’erba è bagnata e che cosa significa per l’irrigatore
- Filtro di Kalman: come stimare da misure imprecise dove si trova un’auto e a che velocità va
- Tipi di apprendimento automatico: supervisionato, non supervisionato, semi-supervisionato e altri
- Prompt, contesto e RAG: come dare a un modello le informazioni giuste
- Autoencoder variazionali (VAE): immagini nuove da uno spazio latente continuo
- Reti generative avversarie (GAN): il falsario contro il detective
- Modelli di diffusione: come il rumore puro diventa un’immagine
- Processi decisionali di Markov: stati, azioni, ricompense ed equazioni di Bellman
- Q-learning e DQN: imparare il valore delle azioni, dalla tabella alla rete neurale
- Policy gradient e PPO: imparare direttamente la politica
- Come funziona un agente IA: un modello linguistico in un ciclo con strumenti
- Programmare con agenti IA: incarico, test e controllo
- Valutazione e sicurezza dei sistemi di IA: come misurare e come sorvegliare
Programma completo della serie 52 di 83 argomenti pubblicati
- Come si incastrano intelligenza artificiale, apprendimento automatico, apprendimento profondo e modelli linguistici.
- Le due grandi famiglie dell’IA: i sistemi che cercano e i sistemi che imparano.
- Che cos’è un agente IA e perché ci ritrovi dentro tutto il resto.
Intelligenza artificiale, apprendimento automatico, reti neurali, modelli linguistici, agenti. Parole che oggi si usano quasi come sinonimi — eppure ognuna significa una cosa diversa. Questa parte è una mappa: ti mostra che cos’è ciascuna cosa e come tutto si incastra. Le altre parti della serie vanno in profondità; ognuna si può leggere anche da sola.
1. Che cos’è l’intelligenza artificiale
Definizione — agente razionale (Russell e Norvig)
Un agente è qualsiasi cosa che percepisce il proprio ambiente tramite sensori e agisce su di esso tramite azioni. Formalmente, una funzione f : P* → A dalle sequenze di percezioni alle azioni.
Un agente è razionale se, per ogni sequenza di percezioni, sceglie l’azione che massimizza il valore atteso della misura di prestazione.
L’intelligenza artificiale è la disciplina che progetta e costruisce tali agenti.
L’intelligenza artificiale è la disciplina che cerca di costruire programmi che decidono in modo sensato: guardano che cosa succede intorno e scelgono ciò che più probabilmente porterà all’obiettivo. Un programma di scacchi, un navigatore e un chatbot sono tutti intelligenza artificiale — solo che ognuno risolve un compito diverso, con mezzi diversi.
L’intero campo si può disegnare come insiemi annidati. L’apprendimento profondo è un tipo di apprendimento automatico, l’apprendimento automatico è una delle strade verso l’intelligenza artificiale — e un agente IA oggi spesso combina entrambe le cose, ricerca e apprendimento:
2. L’IA che cerca
La famiglia più antica dell’IA non impara nulla. Riceve una descrizione esatta del compito — da dove parto, che cosa posso fare, dove voglio arrivare — ed esplora le possibilità finché non trova una soluzione. Così funzionano il navigatore che cerca il percorso più breve, il programma di scacchi che calcola le mosse in anticipo o il pianificatore di orari.
Il vantaggio: quando il compito è descritto bene, il risultato è affidabile e si può dimostrare che è il migliore possibile. Lo svantaggio: qualcuno deve descrivere il compito con esattezza — e il mondo non si lascia quasi mai descrivere con esattezza.
Per approfondire: Parte 2 — Ricerca nello spazio degli stati.
3. L’IA che impara
Definizione — apprendimento automatico (T. Mitchell)
Si dice che un programma impara dall’esperienza E rispetto a un compito T e a una misura di prestazione P se la sua prestazione su T, misurata da P, migliora con l’esperienza E.
Invece delle regole, il programma riceve degli esempi e le regole le ricava da solo. Nessuno gli scrive com’è fatto lo spam — gli si mostrano mille e-mail e lui nota in che cosa lo spam è diverso.
L’apprendimento automatico si suddivide in base a quale segnale riceve il modello mentre impara: le risposte giuste (apprendimento supervisionato), solo dati senza risposte (non supervisionato), un po’ di entrambe le cose (semi-supervisionato), risposte ricavate dai dati stessi (auto-supervisionato) oppure premi per le proprie azioni (apprendimento per rinforzo).
Per approfondire: Parte 3 — Tipi di apprendimento automatico.
4. Apprendimento profondo e reti neurali
L’apprendimento profondo è apprendimento automatico con un tipo preciso di modello: una rete neurale con molti strati. Ogni strato rielabora l’input in modo un po’ diverso — in una rete per immagini i primi strati riconoscono i bordi, i successivi le forme, gli ultimi oggetti interi. Nessuno dice loro che cosa cercare; lo imparano dai dati.
Perché «profondo»? Per il numero di strati. E perché solo adesso, se le reti neurali esistono dagli anni Cinquanta? Perché solo oggi abbiamo abbastanza dati e abbastanza potenza di calcolo (schede grafiche) per addestrare reti grandi.
Per approfondire: stiamo preparando le parti «Discesa del gradiente: come impara un modello» e «Una rete neurale da zero».
5. IA generativa e modelli linguistici
La maggior parte dei modelli risponde alla domanda «che cos’è?» — spam o no? I modelli generativi creano dati nuovi: testo, immagini, suoni, codice. Un grande modello linguistico è una rete neurale che, su un’enorme quantità di testo, ha imparato una cosa sola: indovinare la parola successiva. Quando lo sa fare abbastanza bene, strada facendo sa anche rispondere, tradurre e scrivere codice.
I modelli linguistici imparano in tre passi, e ognuno è un tipo di apprendimento diverso: apprendimento auto-supervisionato su testi presi da internet, messa a punto supervisionata su risposte di esempio e apprendimento per rinforzo in base a quali risposte le persone giudicano migliori.
Per approfondire: stiamo preparando la parte «Transformer e grandi modelli linguistici».
6. Agenti IA: dove tutto si incontra
Un agente IA è un modello linguistico che non si limita a rispondere, ma agisce: legge file, esegue comandi, cerca sul web e in base ai risultati decide che cosa fare dopo. Qui le due famiglie dell’IA si incontrano di nuovo — il modello ha imparato il linguaggio e il ragionamento, ma risolve il compito come una ricerca: prova un passo, guarda il risultato e, se non porta all’obiettivo, ne prova un altro.
Oggi gli agenti scrivono e correggono codice, ed è proprio per lavorare con loro che è nato coden: l’agente lavora sul tuo computer e tu lo guidi dal telefono.
Per approfondire: stiamo preparando la parte «Come funziona un agente IA».
7. Come leggere questa serie
- Ogni parte si può leggere da sola. In alto trovi che cosa ne ricaverai e che cosa conviene sapere prima.
- La spiegazione in parole semplici basta. Le definizioni matematiche esatte sono nascoste in blocchi espandibili — per chi le vuole.
- Le immagini sono reali. Le animazioni nelle parti sono il risultato di un’esecuzione vera degli algoritmi, non illustrazioni.
L’elenco di tutte le parti, comprese quelle in preparazione, è nel riquadro della serie in alto e nell’indice degli articoli.
La vedi diversamente? Scrivi a support@coden-app.com.